无序晶格上关联量子动力学的无监督学习

在无序晶格上共传播的量子粒子，由于量子统计、粒子间相互作用与无序之间的相互作用，发展出复杂的非经典关联。在此我们提出一种基于生成对抗网络（Generative Adversarial Networks）的深度学习算法，能够以完全无监督的方式学习这些关联并识别物理控制参数。该算法在由无标签样本组成的数据集上进行一次训练后，无需进一步计算即可生成数量大得多的未见但物理正确的新样本。此外，蒸馏于算法隐空间中的知识将无序识别为相关控制参数。这使得所生成样本中无序程度的训练后调节可到达算法未显式训练过的值。最后，我们展示训练好的网络能加速学习新的更复杂问题。这些结果证明了神经网络以无监督方式学习关联量子动力学规则的能力，并为其在量子模拟与计算中的使用提供了一条路径。